Värdering av callables: modellering och implementering

KUNGLIGA TEKNISKA HÖGSKOLAN Matematiska institutionen Examensarbete Värdering av callables: modellering och implementering Författare: Erik

Sammanfattning/Abstract Sammanfattning I detta examensarbete studeras värdering av callables. Detta är en särskild typ av obligationer där möjligheten finns för utställaren att vid ett antal bestämda tidpunkter under löptiden lösa in obligationen i förtid. Tre olika modeller för den korta räntan; Hull och Whites modell, Black, Derman och Toys modell samt Black och Karsinsikis modell har anpassats för prissättning av callables. Modellerna har implementerats i Quantlab, en miljö för kvantitativ analys, där prissättning sker i realtid. Abstract This master s thesis explores pricing of callables. These are special bonds that allow the issuer at a number of certain times to buy back the bond. Three different models for the short-term interest rate; Hull and Whites model, Black, Derman and Toys model as well as Black and Karsinsikis model have been adjusted for pricing callables. The models have been implemented in Quantlab, a program for quantitative analysis, and pricing is done according to real-time data.

Innehållsförteckning Innehållsförteckning 1 Introduktionskapitel...9 1.1 Bakgrund...9 1. Problemformulering...9 1.3 Syfte...10 1.4 Avgränsningar...10 1.5 Metod och rapportdisposition...10 Teori...11.1 Inledande modellteori...11. Ränteträd...13.3 Callables...15.4 Hull och Whites modell...15.5 Black, Derman och Toys modell...16.6 Black och Karsinskis modell...16.7 Hull och Whites algoritm för konstruktion av trinomialträd...16.7.1 Steg 1... 17.7. Steg... 18.7.3 Anpassning till andra räntemodeller... 0.8 Räntornas antagna fördelning...1.9 Kalibrering....10 Tidsberoende volatilitetsparametrar... 3 Modellanpassning...5 3.1 Val av tidpunkter för nodernas placering...5 3. Storlek på räntans förändring mellan två intilliggande noder...5 3.3 Val av metoder i trädet...6 3.4 Anpassning till rådande räntestruktur...6 3.5 Kalibrering...6 4 Implementering och resultat...9 4.1 Implementeringsmiljö...9 4. Trädrepresentation...9 4.3 Funktonalitetskrav...30 4.4 Programmering i Quantlab...30 4.5 Användande i Quantlab...3 4.6 Resultat i Quantlab...34 4.7 Jämförelser mellan de olika modellernas resultat...36 4.8 Exempel på ytterligare användning...36 5 Slutord och förslag till framtida studier...39 Referenser...41 Bilaga 1...43 Bilaga...45

Förord Förord Detta examensarbete utfördes under perioden oktober 00 mars 003 i samarbete med Algorithmica Research AB. Under arbetet har jag fått hjälp och stöd och vill därför uttrycka min tacksamhet till följande personer som hjälpt mig att göra detta arbete möjligt: Magnus Nyström, min handledare på Algorithmica Research AB, för förslag på område att studera samt hjälp under arbetet. Harald Lang, min handledare på KTH, för hjälp och stöd. Övrig personal på Algorithmica Research AB för hjälp med såväl det teoretiska arbetet som med implementering och programmering. Sida 7

Introduktionskapitel 1 Introduktionskapitel Introduktionskapitlet syftar till att ge läsaren en introduktion till denna rapport och det utförda examensarbetet. Inledningsvis beskrivs bakgrunden för att skapa förståelse för varför det är av vikt att studera det valda ämnet. Därefter följer en problembeskrivning som översiktligt beskriver de områden och problem som studerats. Examensarbetets syfte och de avgränsningar som gjorts presenteras sedan. Kapitlet avslutas med ett avsnitt som behandlar examensarbetets metod samt rapportens fortsatta disposition. 1.1 Bakgrund På de finansiella marknaderna pågår en betydande handel med olika typer av räntederivat. Dessa är instrument som på något sätt beror på framtida räntenivåer. Under de två senaste decennierna har volymen av handel med dessa derivat ökat mycket snabbt. Värdering av dessa är en viktig del för aktörer på de finansiella marknaderna. Obligationer med möjlighet till inlösen under obligationens löptid, s.k. callables, är en typ av instrument som handlas på dessa marknader. Särskilt populära har den typ av callables som ger möjlighet till inlösen vid ett antal fixa, i förväg bestämda, tidpunkter kommit att bli. Prissättning av dessa instrument är därför av stor vikt. Algorithmica Research AB säljer mjukvara till aktörer på de finansiella marknaderna och deras produkter används som stöd för kvantitativ analys och handel på olika räntemarknader. Företaget ser ett behov av att kunna erbjuda sina kunder möjlighet att värdera olika typer av ränteinstrument, däribland callables. I nuläget finns möjlighet för användaren att genom egna implementeringar använda modeller i den miljö som Algorithmicas mjukvara ger. Företaget vill dock i framtiden låta färdiga implementeringar av olika modeller, för värdering av olika typer av instrument, ingå som en del i deras produkter. Under de senaste 15 åren har en mängd olika modeller för den s.k. korta räntan konstruerats och presenterats. Tre av de mest använda och populära modellerna är Hull och Whites modell, Black, Derman och Toys modell samt Black och Karsinskis modell. Samtliga dessa modeller kan användas för modellering av den korta räntan och lämpar sig särskilt för representation i ränteträd. 1. Problemformulering De modeller som studeras i detta examensarbete tillhör inte de allra mest avancerade men för att kunna vidareutveckla och implementera dem på ett effektivt sätt krävs förståelse för bakomliggande teori samt kunskap om hur modellerna fungerar i deras grundutförande. För att kunna använda modellerna för värdering av callables måste en anpassning göras. Vid representation av modellerna i ränteträd måste deras flexibilitet utökas. Implementering av modellerna utgör den största delen av arbetet vid användning av räntemodeller. Det är av stor vikt att modellerna kan användas i en lämplig miljö samt att användaren kan styra de ingående parametrarna och de data som modellen baserar sig på. Sida 9

Introduktionskapitel 1.3 Syfte Syftet med detta examensarbete är att komma fram till hur tre modeller för den korta räntan kan anpassas för att kunna användas vid värdering av callables. Avsikten är vidare att praktiskt implementera modellerna i Algorithmicas programmeringsmiljö Quantlab där värdering ska kunna ske i realtid. 1.4 Avgränsningar I implementeringsfasen av detta examensarbete kommer inte kalibreringar att utföras. Denna process kommer dock att beskrivas och förslag på hur den ska ske kommer att presenteras. 1.5 Metod och rapportdisposition Arbetet med detta examensarbete kan i grova drag delas in i tre delar. Den första delen består av teoristudier, den andra av modellanpassning och den tredje delen av implementering av modellerna. Detta motsvarar också den kronologiska ordning enligt vilken examensarbetet fortskridit. På detta sätt är också den fortsatta rapporten upplagd, först följer ett avsnitt där den grundläggande teorin presenteras. Sedan presenteras de modellanpassningar som gjorts och därefter redovisas hur implementeringen skett och resultatet av denna. Rapporten avslutas med ett kapitel med slutord och rekommendationer för fortsatta studier. Sida 10

Teori Teori I detta kapitel beskrivs de viktigaste delarna av den teori som examensarbetet grundar sig på. Viss förkunskap krävs, men förhoppningen är att kapitlet ska vara tillräckligt för att ge läsaren den kunskap som är nödvändig för att kunna få en god förståelse för det genomförda arbetet..1 Inledande modellteori De allra enklaste modellerna för värdering av räntederivat baseras på att räntorna är lognormalfördelade. Derivaten värderas sedan med modeller som baseras på Black och Scholes antaganden. En av de mest populära modellerna av denna typ är Blacks modell som är en generalisering av Black och Scholes modell för optionsvärdering. Dessa modeller används i stor utsträckning av marknadens aktörer och är i många fall fullt tillräckliga för värdering av derivat av europeisk typ. De ger dock inte en beskrivning av räntornas stokastiska natur. Modellerna kan därför inte användas för värdering av räntederivat där värdet beror på aktörernas agerande under derivatets löptid. Derivat där så är fallet är exempelvis amerikanska ränteoptioner av olika typ och då i synnerhet det instrument som ska värderas i detta examensarbete, callables. Detta instrument presenteras senare i denna rapport. För värdering av derivat av den typ som inte kan modelleras med hjälp av de enkla metoderna, t.ex. Blacks modell, används modeller som beskriver hur räntorna utvecklas över tiden, s.k. terminsstrukturmodeller. Dessa modeller kan översiktligt delas in i två typer. Den första typen av modeller beskriver framtida forwardräntor. Exempel på populära modeller av denna typ är Heath, Jarrow och Mortons modell samt Brace, Gatarek och Musielas modell. Den andra typen av modeller beskriver utvecklingen av den ränta som gäller under nästkommande korta tidsintervall den korta räntan. Ofta är denna typ av modeller svårare att förstå än modeller för forwardräntor. Fördelen är dock att dessa modeller kan implementeras med rekombinerande träd liknande de träd som används vid modellering av aktier. Detta gör att modellerna blir snabba och användbara för värdering av alla typer av räntederivat. Det är också denna typ av modeller som används i detta examensarbete. De i detta examensarbete studerade modellerna för den korta räntan är Markovmodeller. Utvecklingen av den framtida korta räntan beror därför inte på hur den tidigare utvecklas. Mean reversion Med mean reversion ( medelåtergång ) menas att processen som beskriver räntorna tar hänsyn till att extrema värden är osannolika. Om de modellerade räntorna avviker stort från de räntor som fås från den rådande räntestrukturen kommer de därför att återgå mot denna struktur enligt ett visst samband. Detta är åskådliggjort i figur 1. Den första modellen med denna egenskap var Vasiceks modell som presenterades 1977. Processen för den korta räntan antas då utvecklas enligt ekvation 1: ( b r) dt + σdz dr = a Ekvation 1 Sida 11

Teori I ekvation 1 betecknar dr differentialen av räntan, vilket innebär den momentana förändringen av räntan. Parametern dt är tiddifferentialen och dz är en wienerprocess. Mean reversion kommer i modellen att ske mot nivån b. För korta räntor som avviker från denna nivå kommer en anpassning mot b att ske. Variabeln a betecknar takten i vilken återgång mot denna nivå på korta räntan sker. Det är denna variabel som avgör storleken på effekten av modellens mean reversion. Variabeln σ motsvarar standardavvikelsen för de årliga förändringarna av den korta räntan. Modellerna som används i detta arbete har alla olika sätt att använda mean reversion i modelleringen. Ränta Initial räntekurva Tid Figur 1. Mean reversion Ickearbitrage modeller Räntemodeller som behandlar stokastiska räntor kan vara av olika typ. En tydlig distinktion görs mellan jämviktsmodeller och modeller som bygger på antaganden om icke-arbitrage. Jämviktsmodeller är modeller som bygger på antaganden om ekonomiska variabler. Dessa antaganden leder fram till en process som beskriver räntorna. Slutligen studeras hur detta påverkar priser på obligationer och optioner. Vasiceks modell som beskrivs ovan är av denna typ. Det främsta problemet med jämviktsmodeller är att de i vissa fall ger en modell som inte överensstämmer med rådande marknadsdata. Modeller som bygger på antaganden om ickearbitrage utgår istället från den rådande räntestrukturen. Dessa modeller är konstruerade så att de istället ska vara helt konsistenta med rådande räntor. En stor och tydlig skillnad mellan en jämviktsmodell och en icke-arbitrage modell är att vid användande av jämviktsmodeller är räntestrukturen ett resultat av modellen medan den vid användandet av ickearbitrage modell antas vara känd. Första gången som en modell av icke-arbitrage typ presenterades var 1986, då Ho och Lee presenterade sin modell för de korta räntorna. Ursprungligen utvecklades denna modell för representation i binomialträd men visade sig också ha vissa analytiska användningsområden. Sida 1

Teori Detta gäller även för de flesta modeller av denna typ. I Ho och Lees modell följer den korta räntan processen som beskrivs i ekvation : dr θ () t dt + σdz = Ekvation I ekvationen betecknar dr differentialen av räntan och dt tidsdifferentialen. Den sista differentialen, dz, utgör en wienerprocess. Variabeln σ motsvarar standardavvikelsen för de årliga förändringarna av den korta räntan. Variabeln θ () t är en funktion som väljs så att modellen följer den rådande räntestrukturen. Det är denna variabel som gör att modellen blir av ickearbitrage typ, d.v.s. modellen kommer att prissätta befintliga obligationer efter den rådande räntestrukturen och därmed till marknadspris. De tre studerade modellerna i detta examensarbete är av ickearbitrage typ och de rådande räntorna används vid anpassning av modellen. Dessa kan ses som vidareutvecklingar av Ho och Lees modell.. Ränteträd Rekombinerande träd är ett mycket kraftfullt och illustrativt sätt att implementera modeller för den korta räntan. Det slutgiltiga resultatet av modelleringen utgörs då av ett träd som beskriver de korta räntorna. Trädet kan sedan användas för värdering av räntederivat. Ett ränteträd är en tidsdiskret representation som visar den stokastiska process som ränteutvecklingen utgör. Vid konstruktion av ett ränteträd delas den aktuella tidsperioden, i det enklaste fallet, in i ett antal tidsteg av längden t. Skillnaden mot ett träd som beskriver exempelvis en stokastisk process för en aktie är den använda räntan för ett visst tidsteg. När man använder ett aktieträd antas oftast räntan vara densamma för alla tidsteg. I ett ränteträd är det just denna ränta som skiljer sig åt. Varje nod i trädet motsvarar en viss ränta och räntorna skiljer sig åt mellan de olika noderna. För räntemodeller används ofta trinomialträd istället för binomialträd som är vanligt förekommande vid åskådliggörande av andra processer, t.ex. aktiepriser. Anledningen till detta är att modellen då får ytterligare en grad av frihet och därmed kan innefatta egenskaper som mean reversion. Den ytterligare frihetsgraden vid användande av trinomialträd visas i figur nedan. Stegen enligt figur b och figur c är särskilt användbara då man uppnått extremvärden och vill att trädet ska söka sig mot ett föredefinierat värde, s.k. mean reversion (se ovan). (a) (b) Figur. Möjliga metoder i ett trinomialträd (c) Sida 13

Teori I trädet kommer olika sannolikheter att gälla för de olika möjliga stegen. I figur a ovan motsvaras detta av en sannolikhet för att ett steg uppåt ska ske, p u,(pil uppåt), en sannolikhet för att en vågrät förändring ska ske, p m, (vågrät pil) och en sannolikhet för att ett steg neråt ska ske, p d (pil neråt). Den värderingsprocedur som används vid modellering med trinomialträd är generell och motsvarar till stor del värdering av derivat i ett binomialträd. Resonemanget för hur detta sker i ett trinomialträd utgår från ränteträdet i figur 3 nedan. E B F A C G D H I Figur 3. Ränteträd Ett räntederivat är ett instrument vars avkastning beror på räntan vid en viss tidpunkt. I figur 3 kan ett sådant derivat utgöras av en utbetalning vid tiden t, dvs. vid trädets slut, som på något sätt beror på de under löptiden rådande räntorna. För att värdera detta derivat beräknas värdet för derivatet för de olika möjliga räntorna enligt trädstrukturen vid tiden t. De olika räntorna utgörs alltså av räntorna i noderna E-I i figur 3. Beräkningar sker sedan så att var och en av noderna motsvarar ett värde på derivatet vid tiden t. Eftersom de olika sannolikheterna för samtliga steg i trädet är kända används sedan en iterativ metod för att få fram priset som ska gälla vid noden A, dvs. värdet av detta derivat vid tidpunkten noll. Värden på derivatet i noderna B-D beräknas genom att använda sig av de kända värdena i noderna E-I samt sannolikheterna för att dessa noder ska nås. Exempelvis kommer värdet i nod B, V B, att bli: V B rb t ( p V + p V p V ) e = Ekvation 3 B E E B F F + B G G I ekvationen motsvarar V E, V F, V G de olika värdena i noderna E-G och p B-E, p B-F, p B-G sannolikheterna för de olika möjliga stegen från nod B. Räntan enligt vilken värdet ska diskonteras är den ränta som gäller i nod B, r B. På motsvarande sätt beräknas sedan värdena i nod E och G och slutligen erhålles priset i nod A, V A : V A ra t ( p V + p V p V ) e = Ekvation 4 A B B A C C + A D D Denna metod är generell och kan användas i träd med olika antal steg samt, som visas senare i denna rapport, för träd med steg av varierande längd. Sida 14

Teori.3 Callables Callable är en kortare benämning för callable bond som är en obligation med möjlighet för utställaren att lösa in obligationen under löptidens gång. Möjligheten till tidig inlösen medför att det finns en inbyggd option i instrumentet. Köparen av en sådan obligation kan sägas ha sålt en köpoption till utställaren av obligationen. Priset för denna köpoption utgörs av skillnaden mellan priset på en obligation utan dessa möjligheter till inlösen och motsvarande callable. Med bakgrund av detta kommer priset för en callable vara lägre än priset för motsvarande obligation utan möjlighet för utställaren att utnyttja tidig inlösen. Med callable avses ofta instrument av typen bermudian callable. Utställaren av en sådan obligation har möjlighet att vid vissa förutbestämda tidpunkter, ofta i samband med utdelningar på obligationen, lösa in obligationen till i förväg fastställda priser. Callables av andra typer, såsom amerikanska där inlösen kan ske när som helst under löptiden, förekommer också men instrument av typen bermudian callable har kommit att bli så dominerande att det är detta instrument som avses när man använder benämningen callable. Det är också denna typ av instrument som studeras i detta examensarbete. Värdering av callables i ränteträd följer till stor del den beskrivna arbetsgången i kapitel. ovan..4 Hull och Whites modell Hull och Whites modell är en vidareutveckling av Vasiceks modell från 1977. Den modellen var av jämviktstyp och Hull och White ville med sin modell ta hänsyn till den rådande räntestrukturen. Modellen kan också ses som Ho och Lees modell med mean reversion egenskaper. Hull och Whites modell presenterades för första gången i en artikel 1990. Matematiskt förändras räntan enligt Hull och Whites modell på följande vis: dr ( θ () t a() t r) dt + σ ( t)dz = Ekvation 5 I ekvation 5 är dr differentialen av räntan, vilket innebär den momentana förändringen av räntan. På samma vis är dt tidsdifferentialen. Den sista differentialen, dz, betecknar en wienerprocess. Modellen antar normalfördelade korta räntor. Variabeln a betecknar takten i vilken återgång mot den rådande räntestrukturen sker. Det är denna variabel som avgör storleken på effekten av modellens mean reversion. Variabeln σ motsvarar standardavvikelsen för de årliga förändringarna av den korta räntan. I sin ursprungliga utformning av modellen antas parametrarna a och σ vara konstanta. Båda dessa parametrar kan dock modelleras som funktioner av tiden. Resonemang runt detta förs senare i denna rapport. Variabeln θ () t är en funktion som väljs så att modellen följer den rådande räntestrukturen. Det är denna variabel som gör att modellen blir av ickearbitrage typ, d.v.s. modellen kommer att prissätta befintliga obligationer efter den rådande räntestrukturen och därmed till marknadspris. Sida 15

Teori.5 Black, Derman och Toys modell Denna modell skiljer sig från Hull och Whites modell framför allt i två avseenden. Den första skillnaden, och den som röner störst intresse i detta examensarbete, är att räntorna i denna modell antas vara lognormalfördelade. Den andra aspekten som skiljer sig är att Black, Derman och Toy redan från början antog att volatiliteten och mean reversion parametern utgörs av funktioner av tiden. Modellen härstammar från 1990. Processen för den korta räntan beskrivs av ekvation 6. d () t () t σ r = θ () t + ln() r dt + σ ()dz t σ ln Ekvation 6 Till skillnad från de modeller som presenteras tidigare i denna rapport visar ekvationen inte differentialen för den korta räntan utan istället differentialen av den naturliga logaritmen för den korta räntan. Denna betecknas d ln r. Det är även logaritmen av räntan som tillsammans med mean reversion parametern bestämmer återgångens storlek. I fallet med Black, Derman och Toys modell bestäms mean reversion parametern som kvoten mellan volatilitetfunktionens derivata och volatiliteten själv. Funktionen θ () t fungerar på motsvarande sätt som i Hull och Whites modell för att anpassa trädet till rådande räntestruktur. I detta fall anpassas dock logaritmen av den korta räntan istället för räntan som tidigare. Differentialerna dt och dz har samma betydelse som i Hull och Whites modell. Volatilitetparameterns betydelse är dock något annorlunda. Detta behandlas i kapitel.8 nedan. Resonemang kring parametrarnas tidsberoende förs i kapitel.10. Modellen utarbetades från början för implementering i binomialträd enligt en särskild algoritm. Senare har dock Hull och White visat hur deras trädkonstruktionsalgoritm för trinomialträd kan anpassas till Black, Derman och Toys modell. Detta diskuteras vidare senare i denna rapport..6 Black och Karsinskis modell Black och Karsinski presenterade 1991 en modell som kan ses som en generalisering av Black, Derman och Toys modell. I Black, Derman och Toys modell bestäms mean reversion parametern som en kvot mellan volatiliteten och dess derivata. Black och Karsinsiki lät istället denna parameter vara en godtycklig funktion av tiden. I övrigt är modellen identisk med Black, Derman och Toys modell. Processen för den korta räntan beskrivs enligt denna modell av ekvation 7: [ θ () t a() t ( r) ] dt + σ ()dz t d ln r = ln Ekvation 7 Parametrarna i Black och Karsinskis modell är desamma som i Black, Derman och Toys modell med skillnad endast avseende mean reversion parametern. Parametern a(t) utgör i modellen denna, mer generella, parameter. Redogörelsen för tidsberoende parametrar, räntans fördelning och trädkonstruktionsalgoritm är gemensamma för de båda modellerna och presenteras senare i rapporten..7 Hull och Whites algoritm för konstruktion av trinomialträd Hull och White presenterade 1994 en tvåstegsalgoritm för att implementera deras modell i ett trinomialträd. Metoden har sedan utvecklas till att bli mer generell och fungerar för flera olika Sida 16

Teori räntemodeller, däribland de två övriga modeller som studeras i detta examensarbete. Algoritmen är indelad i två steg. Det första steget beskriver hur trädstrukturen konstrueras för en approximativ ränta. Därefter konverteras i steg två strukturen för att vara korrekt även för den verkliga räntan. I detta kapitel presenteras algoritmen i sitt standardutförande för att i kapitel 3 utvecklas för att kunna värdera callables. Till en början görs en genomgång av algoritmen så som den används vid modellering med Hull och Whites modell. Därefter diskuteras de generaliseringar och ändringar som krävs för att kunna använda algoritmen även för andra modeller..7.1 Steg 1 Vid användande av träd delas tiden, i det grundläggande fallet, in i ett antal tidsperioder med konstant längd t. Ett grundantagande i denna procedur är att den ränta, R, som gäller under denna period följer samma process som räntan r enligt Hull och Whites modell (ekvation 5). Processen för R kan då skrivas enligt ekvation 8 nedan. dr ( θ () t ar) dt + σdz = Ekvation 8 Första steget består nu i att konstruera ett träd för en variabel R * som från början är noll och följer processen dr * * = ar dt + σdz Ekvation 9 I detta första steg tas alltså inte hänsyn till funktionen θ () t och alltså sker ingen anpassning till den rådande räntestrukturen och trädet uppfyller ännu så länge inte kraven för att betraktas som en icke arbitrage modell. Under en period kommer räntan att förändras enligt trädet. Figur visar i vilka riktningar räntan kan förändras. Förändring som i trädet motsvaras av ett steg uppåt eller neråt betecknas R. För att minimera felet vid användande av modellen väljs R = 3 t σ Ekvation 10 Målet med detta första steg är att konstruera ett träd som liknar det träd som illustreras i figur 4 nedan. För att kunna göra detta måste man komma fram till vilken typ av de möjliga stegen i figur som ska användas i konstruktionen av trädet. Det är detta som kommer att avgöra hur trädet kommer att se ut. När väl detta är gjort måste de olika sannolikheterna i stegen beräknas. För att kunna få fram vilken av metoderna i figur som ska användas ser man på de olika noderna. En nod betecknas med två koordinater, i och j. Den första koordinaten, i, betecknar hur många steg i horisontell riktning som skett vilket alltså visar hur många tidsperioder som förflutit fram till denna nod. Koordinaten j visar hur många steg i vertikal riktning som skett fram till den aktuella noden och kan vara positiv eller negativ. Den visar sålunda hur många steg uppåt eller neråt från ursprungsräntan som tagits. En nod betecknas alltså av (i, j) där t=i t och R * =j R. Den metod som ska användas i en viss nod måste leda till att sannolikheterna för de tre olika alternativa stegen är positiva. Den metod som oftast ska användas är standardmetoden i figur a. När variabeln a i ekvation 5 ovan är positiv sker mean reversion. Detta innebär att metoden enligt figur b ska användas för starkt negativa värden på j medan metoden enligt figur c ska användas för stora positiva värden på j. Detta ses också tydligt i figur 4 där ett tillräckligt Sida 17

Teori positivt värde på j uppnåtts vid nod E och ett tillräckligt negativt värde uppnåtts vid nod I. De värden som utgör gräns för vilken ett byte av metod ska ske betecknas j max respektive j min. I grundutformningen av Hull och Whites algoritm väljs j max till det minsta heltal som överstiger 0.184/( a t) och j min väljs till -j max. Det kan då visas att positiva sannolikheter för de olika stegen alltid uppnås. E B F A C G D H I Figur 4. Trinomialträd för Hull och Whites modell, steg 1 Sannolikheten för det högsta möjliga steget betecknas p u, för mittsteget p m och sannolikheten för steget som ger den mest neråtgående utvecklingen betecknas p d. Sannolikheterna väljs så att de motsvarar den väntade förändringen av R * och dess varians under följande tidsperiod, t. Vidare måste sannolikheternas summa, som vanligt, uppgå till ett. Dessa tre förhållanden leder till tre ekvationer som måste vara uppfyllda för sannolikheterna. Tre obekanta och tre ekvationer resulterar i ett lösbart system och de olika sannolikheterna kan beräknas. Detta sker för de olika typerna av steg enligt figur. Beräkningar och resultat av dessa redovisas i bilaga 1. Sannolikheterna beror, förutom på vilken typ av metod som används, endast på koordinaten j. Detta innebär att sannolikheterna i nod B och nod F i figur 4 ovan är desamma. Dessutom är trädet symmetriskt, vilket innebär att sannolikheterna i nod D är en spegelbild av sannolikheterna i nod B (sannolikheten p u i nod D är samma som p d i nod B och vice versa). När man gått igenom de olika delarna i steg ett är resultatet ett träd liknande det i figur 4 med kända sannolikheter för de olika möjliga stegen..7. Steg I detta steg ska trädet anpassas efter de gällande räntorna. Trädet som konstruerades i steg 1 som gäller för R * ska nu konverteras för att gälla för R, den ränta som gäller under en viss tidsperiod, t. Metoden för att göra detta är att ersätta noderna i det träd som steg 1 resulterade i så att den initiala räntestrukturen efterföljs. För att få en exakt överensstämmelse med rådande räntestruktur används en iterativ metod. Denna metod beskrivs nedan. För att kunna använda den iterativa metoden krävs två hjälpvariabler, Q i,j och α i. Den första av dessa variabler betecknar nuvärdet av en säkerhet som ger utbetalning av en valutaenhet om nod (i,j) nås och noll annars, det s.k. Arrow-Debreu priset. Den andra hjälpvariabeln, α i, definieras som α(i t), värdet av R vid tiden i t på R-trädet minus det motsvarande värdet för R * vid tiden i t på R * -trädet. Denna variabel visar alltså avvikelsen mellan räntan i det slutgiltiga trädet och räntan som modellerats i R * -trädet. De båda hjälpvariablerna kan väljas så att den initiala räntestrukturen exakt efterliknas. Sida 18

Teori Det första momentet består nu i att komma fram till Q 0,0 och α 0. Eftersom Q 0, ska motsvara nuvärdet av en säkerhet som ger 1 valutaenhet vid tidpunkt noll sätts denna variabel till 1. Värdet av α 0 väljs så att en nollkupongs obligation med inlösen vid tiden t ges rätt pris. Förutsatt att t är densamma som periodlängden för räntan väljs denna parameter därför till den gällande enperiodsräntan. Räntan för noden (0,0) i R * -trädet förändras nu till att motsvara räntan som motsvaras av α 0. Nästa moment syftar till att bestämma Q 1,1, Q 1,0, Q 1,-1 samt α 1. Q - värdena bestäms genom att använda sannolikheterna i R-trädet. Sannolikheten för att noden (1,1) ska nås är p u för noden (0,0) (motsvarande nod A i figur 4 ovan). Nuvärdet av Q 1,1 erhålles då genom att diskontera sannolikheten för att denna nod nås. På motsvarande sätt beräknas nuvärdena av Q 1,0 och Q 1,-1. När värdena för Q väl är bestämda kvarstår att bestämma värdet för α 1. Detta väljs så att rätt pris ges för en nollkupong obligation med inlösen vid tiden t. Priset för denna obligation vid nod B i figur 4 ovan är: P B e 1 = ( α + R ) t Ekvation 11 På motsvarande sätt är priset för obligationen vid nod C: P C e = 1 α t Ekvation 1 Vid nod D är priset: P D e 1 = ( α R) t Ekvation 13 Priset vid den första noden, A, blir då: PA Q1,1PB + Q1,0 PC + Q1, 1 P = Ekvation 14 D Det verkliga priset, P, för denna obligation beräknas ur marknadsdata för räntan och ekvation 14 sätts lika med detta pris: P Q 1,1 PB + Q 1, 0 PC + Q 1, 1 = P Ekvation 15 D Ur ekvation 15 löses sedan värdet på α 1 och räntorna i noderna B, C och D anpassas därefter. I fallet med normalfördelade räntor som i Hull och Whites modell är detta steg enkelt och sker analytiskt. Ekvation 16 nedan ger det analytiska uttrycket för α 1. R* t R* t Q e Q Q e 1,1 + 1,0 + 1, 1 α 1 = ln t Ekvation 16 P Metoden fortsätter sedan iterativt för att bestämma värden på Q,j för samtliga j. När detta är gjort fastställs α och trädet anpassas efter detta. Vid beräkningarna av värdena på Q kan man med fördel använda sig av resultaten från beräkningarna av tidigare Q. Som exempel kan nämnas beräkningen av Q,1. Detta är nuvärdet av den säkerhet som ger en valutaenhet i utdelning om nod F i figur 4 nås och noll annars. Denna nod kan endast nås via nod B eller C och räntorna i dessa noder är kända enligt tidigare beräkningar. Sannolikheterna för stegen B- F (p m i nod B) och C-F (p u i nod C) är också kända och detta innebär att värdet av säkerheten i nod B, P B, och i nod C, P C kan beräknas enligt nedan: Sida 19

Teori P B = p B F e ( + R) * t α 1 Ekvation 17 P C = p C F e α 1 * t Ekvation 18 Variabeln Q,1 sätts till P B multiplicerat med nuvärdet av en valutaenhet som utbetalas vid nod B plus P C multiplicerat med nuvärdet av en valutaenhet som utbetalas vid nod C. Detta ger: Q,1 VB Q1,1 + VC Q1,0 = Ekvation 19 På motsvarande sätt beräknas resterande värden på Q,j och α kan därefter beräknas. Efter det kan sedan alla värden för Q 3,j beräknas och därefter α 3. På samma sätt fortsätter beräkningarna till ett träd av önskad storlek erhållits. Ett tänkbart utseende på ett sådant träd illustreras i figur 5. I figuren illustreras hur modellen anpassar sig efter en räntekurva med avtagande lutning. E F B C G H I D A Figur 5. Trinomialträd för Hull och Whites modell, steg.7.3 Anpassning till andra räntemodeller Som nämnts tidigare kan den presenterade algoritmen användas för flera olika modeller. Så är dock inte fallet med Black, Derman och Toys modell samt Black och Karsinskis modell. I dessa modeller antas räntorna istället vara lognormalfördelade och en anpassning är därför bland annat nödvändig i steg. Algoritmen kan användas för alla modeller som har en form enligt ekvation 0. df () r [ θ () t af () r ] dt + σdz = Ekvation 0 Här motsvarar f(r) den funktion som man antar för räntorna i modellen följer. I fallet med Hull och Whites modell som presenteras ovan, där räntorna antas vara normalfördelade, är sambandet enklast möjliga: f(r)=r. För de andra två studerade modellerna antas räntorna vara lognormalfördelade och denna funktion är då istället f(r)=ln r. Vid konstruktion av trädet för dessa modeller skapas trädet för x= f(r)=ln r. Analogt med konstruktionen för Hull och Whites modell sker konstruktionen i två steg. I det första skapas ett träd för x * som initialt är 0 och för vilken θ () t är 0. Vid modelleringen gäller samma ekvationer som för Hull och Whites modell med x * och x istället för R * och R. Detta gäller även formlerna för sannolikheterna i trädet som redovisas i bilaga 1. I trädets noder visas dock exp(x)=r eftersom det är detta som ska användas vid värdering i trädet. Sida 0

Teori I konstruktionens andra steg ska trädet anpassas efter de rådande räntorna. Även detta sker på ett liknande sätt som för Hull och Whites modell. En skillnad infinner sig dock när man kommit till den punkt i anpassningen då man använder ekvation 11 i beskrivningen av steg ovan. Från och med detta moment kommer modelleringen att skilja sig från den beskrivna, på grund av att räntefördelningen i modellen inte är densamma. Vid steg m i modelleringen kommer formeln för priset för en nollkupongobligation med löptid m+1 nu istället få ett utseende enligt ekvation 1 nedan. p n + = m m Qm, j exp m j= nm [ g( α + j x) t] 1 Ekvation 1 För att anpassa modellen till rådande räntestruktur ska värdet på x i trädet justeras med variabeln α m. Denna variabel fås genom att använda någon enkel numerisk metod, exempelvis Newton-Raphsons metod. Även beräkningen av hjälpvariabeln Q påverkas på motsvarande sätt. För en viss vertikal position i trädet, j, ges nu variabeln Q ur ekvation nedan. De olika värdena på k motsvarar de noder i nästkommande tidssteg som utgör den aktuella nodens söner och q(k,j) utgör sannolikheten för steget från noden (m,k) till noden (m+1,j). Q = Q q ( k, j) exp[ g( α + k x) t] m+ 1, j m, k m Ekvation k På motsvarande sätt görs anpassningen för samtliga steg i trädet. Precis som efter det första steget lagras sedan exp(x)=r. Resultatet är då ett träd med de lognormalfördelade korta räntorna som kan användas för värdering av olika räntederivat..8 Räntornas antagna fördelning Vid värdering av vissa räntederivat med modeller för den korta räntan uppvisar Hull och Whites modell en stor fördel framför de andra modellerna. Denna modell har nämligen analytiska uttryck för framtida obligationspriser. Fördelen med detta är att man vid modelleringen för många typer av räntederivat inte behöver modellera hela den underliggande tillgångens löptid. Istället är det tillräckligt att modellera fram till derivatets inlösen där dess värde kan fås fram från det analytiska uttrycket för den underliggande tillgången. De andra studerade modellerna antar lognormalfördelade räntor. Därför finns det för dessa modeller inga analytiska uttryck för obligationspriserna under dess löptider. I detta examensarbete har man dock ingen nytta av de analytiska uttrycken eftersom modellering måste ske fram till instrumentets inlösen. Ingen av modellerna har därför någon fördel i detta avseende gentemot någon av de andra. En annan sak som påverkas av valet av modell och därmed fördelning av räntorna är möjligheten att få negativa räntor i trädet. Vid användning av Hull och Whites modell är det möjligt att räntorna blir negativa. Med lognormalfördelade räntor som i de övriga modellerna finns däremot ingen sådan möjlighet. I detta avseende kan antagande om lognormalfördelade räntor vara att föredra då man intuitivt vill undvika möjligheten, om än med liten sannolikhet, att under perioder ha negativa räntor. Sida 1

Teori De volatilitetsparametrar som ingår i modellerna får också olika betydelse beroende på vilken räntefördelning som väljs, något som också diskutera i presentationen av de olika modellerna ovan. I fallet med normalfördelade räntor motsvarar σ standardavvikelsen för de årliga förändringarna av den korta räntan. När en lognormalfördelad fördelning antas betecknar denna parameter standardavvikelsen för den proportionella förändringen av den korta räntan. Marknadens aktörer är i större utsträckning vana att se volatilitet som resultat från en lognormalfördelad modell, som är fallet med Black och Scholes och besläktade modeller, och lognormalfördelade räntor kan därför vara att föredra..9 Kalibrering Under beskrivningen av modellerna och hur man använder denna i ett trinomialträd har parametrarna a och σ antagits vara givna. Så är dock inte fallet och en viktig del vid användande av modellen består just i att välja dessa parametrar. Det är detta moment som utgör kalibreringen av modellen. Kalibreringen består i att en anpassning till marknadsdata sker. Här utgår man från marknadsdata som rör liknande instrument som det derivat som ska prissättas. Grundidén är att man genom en kalibrering efter dessa marknadsdata erhåller en modell som prissätter befintliga instrument korrekt och därmed har en bra grund för att kunna prissätta andra instrument av samma typ. För att få en så korrekt modell som möjligt är det viktigt att kalibrera modellen efter instrument som är så lika som möjligt de instrument som man vill prissätta. Vid kalibreringen utgår man från något mått som sedan minimeras enligt en numerisk metod. Det vanligaste måttet som används för minimering är: ( P ) i V M Ekvation 3 = i Parametern P i betecknar här marknadspriset och V i står för det pris som erhållits ur modellen för samma instrument. Summeringen av differensen görs sedan för alla olika instrument som används vid kalibreringen. Det modellerade priset, V i, och därmed differensen är beroende av de ingående parametrarna i modelleringen. Genom kalibreringen fås de värden på de ingående parametrarna som minimerar kalibreringsmåttet. Därmed kommer modellen att prissätta instrumenten som ligger till grund för kalibreringen till ett pris som ligger så nära det verkliga marknadspriset som möjligt. Diskussion om hur kalibreringen kan genomföras för de anpassade modellerna i detta examensarbete förs i kapitlet om modellanpassning..10 Tidsberoende volatilitetsparametrar Vid användande av modeller för korta räntan består ett viktigt beslut i hur man väljer sina volatilitetsparametrar. Möjligheten finns att antingen att se dessa som konstanta eller som funktioner av tiden. Det finns ett antal olika uppfattningar om hur parametrarna ska behandlas. Som en inledning på resonemanget kan man slå fast att valet av hur parametrarna ska behandlas styr modellens effektivitet att prissätta instrument, beräkningens omfattning, modellens stabilitet samt kalibreringens komplexitet. Fördelen med att låta voaltilitetsparametern och/eller mean reversion parametern vara funktioner av tiden är att modellerna på så sätt mer exakt kan anpassas till marknadspriser för instrument som handlas aktivt. Sida

Teori Vid användande av tidsberoende sker en parametirisering. Då väljs hur funktionerna för de tidsberoende parametrarna tolkas. Vanligt är till exempel att välja dessa funktioner som stegvis konstanta funktioner. Stegen kan med fördel väljas så att de anpassas till de instrument som används till kalibrering samt de instrument som ska värderas. Ett problem när tidsberoende parametrar används är att man indirekt gör en utsago om volatilitetstrukturens utseende vid framtida tidpunkter. Detta problem uppstår för alla Markov modeller och alltså även de i detta examensarbete studerade modellerna Undersökningar har gjorts för att testa hur tidsberoende parametrar påverkar modellernas resultat. Upphovsmännen till en av de studerade modellerna, Hull och White, har genomfört utförliga undersökningar av denna typ. Dessa visar att modellernas effektivitet att prissätta befintliga instrument korrekt påverkas marginellt. Hull och White slår därför fast att tidsberoende volatilitetsparametrar snarast leder till en överparametirisering av modellen. De anser därför att det för Markov modeller endast ska finnas en tidsberoende parameter. Vidare anser Hull och White att denna parameter ska användas för att anpassa modellen till den befintliga räntestrukturen. I detta examensarbete har modellering och implementering för Hull och Whites modell samt Black och Karsinskis modell skett med konstanta volatilitetsparametrar. En av huvudsyftena med Black, Derman och Toys modell är dock att använda tidsberoende parametrar. I implementeringen av denna har därför tidsberoende parametrar används. De övriga implementeringarna kan, med små förändringar, anpassas till att kunna använda tidsberoende parametrar. Sida 3

Modellanpassning 3 Modellanpassning För att kunna använda modellerna som studeras i detta arbete för värdering av callables krävs en anpassning av den trädkonstruktionsalgoritm som beskrivs i teoridelen. Detta utgör en viktig och nödvändig del av examensarbetet. I detta kapitel presenteras också förslag på hur kalibrering av modellerna ska ske. För värdering av callables i ränteträd förutsätts att trädet har noder motsvarande de tidpunkter vid vilka inlösen av instrumenten kan ske. För att detta ska vara möjligt krävs att trädet kan ha varierande längd på de olika tidsperioderna. I och med detta kan man vid konstruktion av trädet välja längden på de modellerade tidsperioderna så att tidpunkterna för möjlig inlösen motsvaras av en modellerad tidpunkt i trädet. Redogörelsen för modellanpassningen är generell och gäller för alla de tre studerade modellerna i de fall där inget annat anges. Redogörelsen baseras därför i enlighet med kapitel.7.3 för en variabel x som beskriver utvecklingen av räntans antagna funktion. I detta examensarbete kan detta väljas till x=r (för Hull och Whites modell) alternativt x=ln r (för de övriga två modellerna). 3.1 Val av tidpunkter för nodernas placering Det första steget i den anpassade algoritmen är att bestämma för vilka tidpunkter som noderna ska placeras. Som i all modellering väljs modelleringens första nod till tiden för modelleringens start och den sista diskreta tiden väljs till det aktuella instrumentets inlösen. Övriga noder väljs för att uppfylla de krav som ställs för modellering av callables. I fallet med callables ska noder bland annat finnas vid de tidpunkter då tidig inlösen kan ske. Dessutom förenklas modelleringsarbetet av att låta noder modelleras för de tidpunkter då utdelningar äger rum. Troligtvis vill man dela in den modellerade tiden i fler perioder än de noder som blir resultat av tidig inlösen samt utdelningsdatum för att öka noggrannheten i trädet. I detta examensarbete sker detta genom jämn fördelning av de återstående önskade tidsperioderna över den modellerade tiden. 3. Storlek på räntans förändring mellan två intilliggande noder Nästa steg i modellanpassningen består i att bestämma de vertikala avstånden, mätt i skillnad i den korta räntan, mellan två närliggande noder vid samma diskreta tid i trädet. Här måste hänsyn tas till att tidsstegen är av varierande längd och man kan inte, som i algoritmens grundutförande, anta att detta avstånd är samma för alla de modellerade tiderna i trädet. I varje tidpunkt placeras noder för x=0. Därefter placeras noder på samma sätt som i standardfallet enligt ett viss bestämt intervall. Vid varje tidsteg t i i trädet placeras noderna med värden på den korta räntan enligt ± x i, ± x i,..., ±m i x i där m i motsvarar den högsta respektive lägsta noden för det aktuella tidssteget. Hur denna bestäms redogörs för i följande avsnitt. För varje tidssteg, t i, bestäms ränteintervallet mellan två intilliggande noder, x i, så att det är tillräckligt för att representera volatiliteten för den korta räntan vid den aktuella tidpunkten. För snabbast möjliga konvergens väljs x i enligt ekvation 4 nedan. ( t ) ( t t ) x = σ Ekvation 4 i i 1 3 i i 1 Sida 5

Modellanpassning 3.3 Val av metoder i trädet Nästa steg i trädkonstruktionen består i att välja hur noderna ska knytas samman. Detta kommer också att avgöra värdet på m i för de olika stegen i trädet. I den anpassade algoritmen är man inte begränsad till de metoder som används i standardalgoritmen och visas i figur. Valet beror nu istället på hur den korta räntan antas utvecklas under kommande tidsperiod. Vid varje nod i trädet binds den samman med tre söner, precis som i standardalgoritmen. De tre noderna motsvarar också tre intilliggande noder i nästkommande tidssteg och kan på samma sätt ses som ett steg uppåt, ett steg neråt och ett steg mellan dessa. För variabeln x i den aktuella noden beräknas den förväntade förändringen och variansen av förändringen. Trädet konstrueras sedan så att dessa är desamma i trädet som de beräknade. Antag att trädets konstruerats fram till och med steg i och att trädet nu ska byggas vidare. Från noden j x i i steg i ska trädet utökas till de tre noderna (k-1) x i+1, k x i+1, och (k+1) x i+1 i nästa steg; i+1. Den nod till vilken det mittersta steget ska ansluta till, x i+1,k, väljs så att räntan i denna nod, k x i+1, är så nära som möjligt den förväntade räntan. Väntevärdet av räntans förändring i noden från vilken steget ska ske är approximativt E(dx)=x*a(t i )(t i+1 -t i ). Värdet på k som alltså betecknar vilken nod som det mittersta steget ska leda till väljs så att x i+1,k är så nära som möjligt det förväntade värdet som är x i,j + x i,j *a(t i )(t i+1 -t i ). Genom att välja k till det heltal som är närmst (j x i + x*a(t i )(t i+1 -t i ))/ x i+1 uppnås detta. Samtidigt garanterar detta att nästa steg hamnar inom x i+1 / från väntevärdet. Metoderna i respektive steg i trädet avgör också den översta och understa möjliga noden i nästkommande steg. Den översta nådda noden i ett visst steg är den högsta nod som länkas till från den översta noden i steget innan. På motsvarande sätt bestäms också den understa noden från den understa noden i steget innan. Den högsta noden i steget i+1 som är m i+1 bestäms från den högsta noden i steget i, som är m i och på samma sätt bestäms den lägsta noden, -m i+1 bestäms av den lägsta noden, -m i i steget i. Nästa steg av trädkonstruktionen är att beräkna de olika sannolikheterna för de möjliga stegen i trädet. Detta görs på motsvarande sätt i den anpassade algoritmen som i standardalgoritmen. Variansen för en viss nod i trädet kan skrivas V(dx)=σ (t i )(t i+1 -t i ). För sannolikhetsberäkningarna, som redogörs för i appendix, används väntevärdet av räntans förändring under en period samt densamma under två perioder. 3.4 Anpassning till rådande räntestruktur Efter konstruktionen av trädet enlig avsnitt 3.1 3.3 ska nu trädet anpassas till rådande räntor. Detta sker till stor del enligt samma metod som i den ursprungliga algoritmen som presenteras i avsnitt.7.. Diskontering mellan de olika tidpunkterna i trädet sker dock med varierande tid eftersom tidsstegen i trädet är av olika längd. 3.5 Kalibrering Syftet med kalibreringen är att anpassa modellens ingående parametrar efter befintliga instrument med vilka handel sker. Ett allmänt resonemang om kalibrering finns i avsnitt.9 i teorikapitlet ovan. Sida 6

Modellanpassning Avsikten i detta examensarbete är att använda den presenterade algoritmen för värdering av callables. Modellen kan med vissa förändringar även användas till andra värderingar. De i detta avsnitt presenterade förslagen till kalibrering gäller dock för det fall då callables ska värderas. Ett alternativ till kalibrering är att använda olika ränteoptioner, såsom caps och floors, för att ge en allmän kalibrering av modellen. På detta sätt kalibreras många andra räntemodeller och kalibreringsinstrumenten kan då väljas, avseende bland annat löptider, så att kalibreringen blir snabb och effektiv. Detta kan vara särskilt fördelaktigt då volatililtetsparametrarna är en funktion av tiden och pararameteriserade. Tidpunkterna som utgör brytpunkter i de pararameteriserade volatilitetsfunktionerna kan då väljas så att de överensstämmer med löptiderna för kalibreringsinstrumenten. Om den studerade marknaden är tillräckligt likvid och det finns ett tillräckligt stort utbud av olika optioner kan också hänsyn tas till att inlösenpriserna är olika för de optioner som används som kalibreringsinstrument. Det förslag till kalibreringsförfarande som presenteras ovan ger en bra allmän kalibrering och skulle kunna användas i de fall då ränteoptioner av liknande typ som kalibreringsinstrumenten ska värderas. För att modellen på ett korrekt sätt ska värdera callables bör istället instrument av just denna typ användas vid kalibreringen. Författarens uppfattning är att en enkel kalibrering med någon numerisk optimeringsalgoritm skulle ge ett bra resultat. Modellen skulle då anpassas efter de befintliga callables som handlas på den aktuella marknaden. En algoritm som ofta används vid denna typ av kalibreringar är Levenberg-Marquardts algoritm. Denna skulle även kunna användas i detta fall men friheten är stor vid val av algoritm. En förutsättning för att den föreslagna kalibreringen ska ge ett bra resultat är att antalet kalibreringsinstrument är tillräckligt. I fallet med callables är dock marknaderna relativt illikvida och detta kan innebära att man inte kan åstadkomma en bra kalibrering. Sida 7

Implementering och resultat 4 Implementering och resultat I detta kapitel vill författaren i grova drag visa hur implementeringen genomförts. Det förekommer inte någon redovisning av kod utan istället visas med hjälp av resonemang implementeringens viktigaste delar. I kapitlet redovisas också resultatet av implementeringen. Resultatredovisningen består till stor del av illustrationer av hur den färdiga implementeringen ser ut och hur den kan användas. 4.1 Implementeringsmiljö Ett delsyfte med examensarbetet är att implementera de aktuella modellerna i Algorithmicas utvecklingsmiljö Quantlab, som är ett utvecklingsverktyg för kvantitativ analys. I Quantlab finns möjligheten att via ett eget språk, Qlang, programmera och modellera. På grund av de i detta examensarbete ingående modellernas komplexitet genomförs implementeringen istället via Quantlabs API. Detta kan ses som en koppling mellan en extern programmeringsmiljö och Quantlabs utvecklingsmiljö. Genom att skapa program i en annan miljö och i ett annat språk, i detta fall C++, ökas flexibiliteten. Via kopplingen till Quantlab erhålles möjligheten att använda dess användargränssnitt och kopplingar till realtidsdata. Den faktiska kopplingen sker via Windows dynamic link library (DLL). Det konstruerade C++ programmet resulterar i en DLL som Quantlab sedan läser in och det konstruerade programmets objekt och funktioner blir sedan tillgängliga i Quantlab. Där kan de användas på samma sätt som de standardobjekt och funktioner som finns tillgängliga i miljön. 4. Trädrepresentation För att på ett bra och enkelt sätt kunna gestalta ränteträd i C++ har författaren i huvudsak valt att representera trädet med hjälp av två vektorer. Den första vektorn innehåller alla noder och deras position i vektorn bestäms av positionen i trädet. Varje nod representeras i sin tur av en datastruktur som innehåller all nödvändig information, såsom kort ränta, sannolikheter för de olika möjliga stegen, länkar till nodens söner o.s.v. I datastrukturerna finns även de olika parametrar som behövs vid anpassning av trädet till rådande markandsdata. Den andra vektorn är en heltalsvektor och fungerar som en positionsvektor. I denna vektor ryms de heltal som utgör index i nodvektorn för de första noderna för ett visst tidssteg i trädet. I syfte att visa hur nodernas placering i nodvektorn och positionsvektorns index bestäms hänvisas till figur 6 i kombination med följande beskrivning. Numreringen av noderna börjar med 0. Detta index tilldelas noden (0,0), dvs. den nod som infaller vid modelleringens start. Nodernas index och position i nodvektorn räknas sedan upp med ett steg och vid ett nytt tidssteg tilldelas nästkommande index till den översta nod i detta tidssteg. Position 1 i nodvektorn kommer därför att upptas av nod (1,1), nod (1,0) tilldelas sedan position osv. Numreringen av noderna fortsätter sedan på detta sätt till trädets samtliga noder placerats i nodvektorn. Positionsvektorns uppgift är att på ett smidigt sätt möjliggöra för adressering av noderna i vektorn. På varje position i vektorn, som är av samma längd som antalet steg i trädet, lagras indexet för den första noden för det motsvarande steget. I vektorns första position, 0, återfinns heltalet 0 som visar att detta är indexet för den första noden för detta tidssteg. På motsvarande Sida 9